Warum Claude Code den Kontext bei langen Sessions verliert und wie CLAUDE.md das behebt

Drei Stunden in einer Sitzung beginnt Claude Code, Fragen zu wiederholen, die du bereits beantwortet hast. Es führt eine Benennungskonvention wieder ein, die du vor einer Stunde entfernt hast. Es „repariert" eine Datei, die es selbst beschädigt hat – auf eine Weise, die du nie verlangt hast. Nichts ist abgestürzt. Kein Fehler ist aufgetreten. Das Modell hat einfach stillschweigend angefangen, die Teile des Gesprächs zu deprioritisieren, die wichtig waren.

Das ist kein Bug, den du patchen kannst. So funktionieren Kontextfenster, und das ist der einzelne größte Grund, warum AI-Coding-Sitzungen ohne Warnung von brillant zu frustrierend werden.

Wir arbeiten mit Startups zusammen, die Ingenieure einstellen, die täglich mit diesen Tools arbeiten, und die Teams, die das meiste aus Claude Code herausholen, sind nicht die mit den cleveren Prompts. Es sind die, die aufgehört haben, den Kontext als unendlich zu betrachten, und angefangen haben, ihn zu gestalten. Das Werkzeug, das im Mittelpunkt dieser Verschiebung steht, ist eine einfache Markdown-Datei namens CLAUDE.md.

Was tatsächlich passiert, wenn Claude Code „vergisst"

Claude Code wird standardmäßig mit einem Kontextfenster von 200.000 Token ausgeliefert, mit einer 1-Million-Token-Option, die bei neueren Modellen verfügbar ist. Das klingt enorm, aber eine neue Sitzung verbraucht bereits Tausende Token, bevor du ein Wort tippst: der System-Prompt, geladene Skills und alle MCP-Server-Schemas verzehren das Budget zuerst. Füge eine CLAUDE.md-Datei, ein paar Tool-Integrationen und einige Datei-Lesevorgänge hinzu, und ein erheblicher Teil des Fensters ist bereits vergeben.

Das tiefere Problem ist nicht, den Platz auszugehen. Es ist das, was lange bevor das Fenster sich füllt geschieht. Mehrere Ingenieur-Teams, die mit Claude Code arbeiten, sind unabhängig zu derselben Erkenntnis gekommen: Die Output-Qualität beginnt sich zu verschlechtern, sobald die Kontextnutzung grob 20 bis 40 Prozent überschreitet, lange bevor ein hartes Limit erreicht wird. Aufmerksamkeitsmechanismen gewichten neuere Token stärker, wenn ein Gespräch wächst, sodass Anweisungen vom Anfang der Sitzung stillschweigend an Einfluss verlieren, obwohl sie technisch immer noch „im Speicher" sind.

Das hat praktische Auswirkungen. Eine dreistündige Sitzung, die mit einer klaren Aufgabe beginnt und nie ein Checkpoint setzt, wird bis zur zweiten Stunde sichtbar schlechtere Code produzieren – nicht weil das Modell dümmer wurde, sondern weil aufgegebene Ansätze, überwundene Fehler und explorative Umwege alle noch im Fenster sitzen und das Signal verdünnen, das tatsächlich zählt.

Kontext-Verfall ist real und wurde gemessen

Das ist kein Claude-spezifisches Eigenheiten. Unabhängiges Benchmarking von Chroma testete 18 führende Modelle, einschließlich Claude Opus, und fand, dass jedes einzelne an Genauigkeit verliert, wenn die Eingabe wächst – in einigen Fällen von 95 Prozent auf 60 Prozent über einen bestimmten Schwellenwert hinaus. Forscher nennen dies „Kontext-Verfall", und er zeigt sich als ein „Lost-in-the-Middle"-Effekt: Modelle verarbeiten den Anfang und das Ende eines langen Kontexts gut, überfliegen aber die Mitte – genau dort, wo deine Architektur-Entscheidungen von vor 40 Minuten dazu neigen zu leben.

Für einen Gründer oder Engineering-Lead ist die Schlussfolgerung deutlich: Ein größeres Kontextfenster ist nicht dasselbe wie ein nutzbares. Neuere Modelle können technisch eine Million Token lesen, aber Tests in der Praxis zeigen wild unterschiedliche Verständnisraten bei dieser Skala – genau deshalb schneidet eine saubere, gut verwaltete 200K-Sitzung häufig besser ab als eine vollgestopfte 1M-Sitzung.

Was CLAUDE.md tatsächlich repariert

CLAUDE.md ist eine Markdown-Datei, die Claude Code automatisch am Anfang jeder Sitzung lädt. Stell dir sie als eine ständige Einarbeitungsanleitung für einen Auftragnehmer vor, der keinerlei Erinnerung an gestern hat. Sie macht das Modell nicht intelligenter. Sie hindert das Modell daran, Dinge zu erraten, die du bereits entschieden hast: welchen Test-Befehl man ausführt, welcher Ordner tabu ist, welches Muster man stattdessen verwendet.

Ohne sie beginnt jede Sitzung bei null, und du tippst die gleiche Korrektur die ganze Woche lang immer wieder. Mit ihr wird diese Korrektur zu einer permanenten Regel, die das Modell liest, bevor es irgendetwas anderes macht.

Wie du ein CLAUDE.md schreibst, das tatsächlich hält

1. Halte es unter 200 Zeilen. Führende Modelle verfolgen zuverlässig etwa 150 bis 200 Anweisungen, bevor die Einhaltung zu schwanken beginnt, und der eigene System-Prompt von Claude Code verbraucht bereits einen großen Teil dieses Budgets.

2. Beginne mit Befehlen, nicht mit Prosa. Genaue Build-, Test- und Lint-Befehle sind die wertvollsten Zeilen in der Datei.

3. Verweise, nicht kopiere. Beziehe dich auf den Dateipfad, anstatt seinen Inhalt in die Datei zu kopieren. Jede Zeile, die du einfügst, ist eine Steuer auf jede zukünftige Sitzung.

4. Dupliziere niemals den Linter. Wenn ein Formatter eine Stilregel bereits automatisch erzwingt, gib keine Modellaufmerksamkeit darauf aus, es zu erklären.

5. Räume erbarmungslos auf. Ein CLAUDE.md, das sich in Dokumentation verwandelt hat, ist eines, das das Modell in der Mitte zu ignorieren beginnt.

6. Verwende /clear zwischen unabhängigen Aufgaben und setze alle 45 bis 60 Minuten in langen Sitzungen ein Checkpoint, anstatt ein Gespräch stundenlang unkontrolliert laufen zu lassen.

FAQ: Kontext, CLAUDE.md und Anstellung von Leuten, die dieses Zeug kennen

F. Löst ein größeres Kontextfenster das Vergessensproblem?

Nein. Ein größeres Fenster gibt dem Modell mehr Platz, um Informationen zu halten, aber die tatsächliche Leseverständnis bei dieser Skala variiert immer noch enorm zwischen Modellen. Das Management dessen, was ins Fenster geht, ist wichtiger als die Größe.

F. Ist CLAUDE.md dasselbe wie Dokumentation?

Nein. Dokumentation ist für Menschen, die in ihrem eigenen Tempo überfliegen. CLAUDE.md wird vollständig in jeder Sitzung geladen, egal ob es für die aktuelle Aufgabe relevant ist oder nicht, daher muss es kurz, universell wahr und befehlsorientiert sein.

F. Wie wissen wir, ob ein Kandidat das wirklich versteht, im Gegensatz zu nur die Syntax zu kennen?

Biete sie auf, dir ein CLAUDE.md aus einem echten Projekt durchzugehen und frage, was sie gestrichen haben und warum. Ingenieure, die Kontext-Verfall in der Produktion erlitten haben, sprechen spezifisch über Pruning-Entscheidungen. Ingenieure, die das nicht getan haben, sprechen tendenziell nicht abstrakt über die Datei.

F. Wo finden wir Ingenieure, die bereits so arbeiten?

Das ist zunehmend eine Baseline-Fähigkeit statt eine Spezialität, aber der Markt ist immer noch ungleich. Es ist eines der Dinge, auf die wir direkt testen, wenn wir Entwickler für MyNextDeveloper-Kunden überprüfen. Es ist ein starker Indikator dafür, wie jemand tatsächlich mit AI-Tools täglich arbeitet, nicht nur wie sie darüber sprechen.

Wichtige Erkenntnisse

• Claude Code schlägt fehl nicht mit einem Fehler, wenn sich der Kontext verschlechtert. Es schlägt stillschweigend mit subtil schlechteren Ergebnissen fehl.

• Die Qualität beginnt bei 20 bis 40 Prozent Kontextnutzung zu sinken, lange bevor das Fenster voll ist.

• Kontext-Verfall wird durch modellübergreifendes Verhalten gemessen, nicht durch einen Claude-spezifischen Fehler.

• CLAUDE.md repariert das Vergessensproblem, indem es wiederholte Korrektionen in permanente, bei jeder Sitzung geladene Regeln umwandelt.

• Die besten CLAUDE.MD-Dateien sind kurz, befehlsorientiert und verweisen auf Dateien statt sie einzufügen.

Alles zusammen

Lange AI-Coding-Sitzungen schlagen fehl nicht, weil das Modell in der Mitte schlechter wurde. Sie schlagen fehl, weil niemand verwaltete, was das Modell hielt. Ein enges CLAUDE.md, eine Gewohnheit, den Kontext zwischen Aufgaben zu löschen, und Ingenieure, die bereits so denken, verwandeln einen frustrierenden Nachmittag in einen wirklich schnellen. Der letzte Teil ist das, das die meisten Teams unterbewertet. Tooling ist einfach zu kopieren. Es gut nutzen zu können, ist es nicht. Wenn du ein Team aufbaust, bei dem AI-gestützte Entwicklung der Standard statt die Ausnahme ist, ist genau diese Art von Urteilskraft das, das wir bei MyNextDeveloper überprüfen, wenn wir Gründer mit den obersten Schichten von Software- und AI-Talenten zusammenbringen.

TL;DR

Claude Code stürzt nicht ab, wenn es vergisst; es verschlechtert sich einfach stillschweigend und produziert schlechtere Ergebnisse, lange bevor das Kontextfenster tatsächlich voll wird. Forschung zeigt, dass jedes führende Modell, einschließlich Claude, an Genauigkeit verliert, wenn die Eingabe wächst – ein Phänomen, das als „Kontext-Verfall" bekannt ist. Ein größeres Kontextfenster repariert das nicht; das Verständnis bei dieser Skala variiert wild unabhängig von der Größe. CLAUDE.md löst das echte Problem, indem es wiederholte Korrektionen in eine permanente, kurze, befehlsorientierte Datei umwandelt, die das Modell jede Sitzung liest. Die beste Lösung kombiniert ein schlankes CLAUDE.md mit disziplinierten Gewohnheiten wie dem Löschen von Kontext zwischen Aufgaben und dem Setzen von Checkpoints während langer Sitzungen.

Möchtest du ein hochleistungsfähiges Remote-Tech-Team aufbauen?

Schau dir MyNextDeveloper an, eine Plattform, auf der du die besten 3 Prozent der Softwareingenieure findest, die tief und leidenschaftlich für Innovation begeistert sind. Unsere bedarfsgerechten, dedizierten und gründlichen Softwaretalent-Lösungen bieten eine umfassende Lösung für alle deine Softwareanforderungen.

Besuche unsere Website, um zu erkunden, wie wir dir helfen können, dein perfektes Team zusammenzustellen.